人工智能技术在电生理诊断中的应用现状

王林峰 刘欢庆 周涛

1湖南中医药大学信息科学与工程学院 长沙市 410208

2长沙县人民医院（湖南省人民医院星沙院区） 长沙市 410138

3湖南省人民医院 长沙市 410005

电生理技术是利用仪器设备产生以电形式为主的能量刺激生物体，并测量、记录和分析生物体发生的电现象和生物体的电特性的技术［1］，其作为一种辅助诊查手段，在神经系统、心血管系统、内分泌系统等疾病的诊断和治疗方面提供了重要参考依据。电生理主要分为心脏电生理和神经电生理，检查的手段主要有脑电图、肌电图、经颅多普勒及心电图四种。人工智能作为计算机科学的一个分支，近些年来发展迅速，并在众多领域有着广泛应用，如无人驾驶、智能机器人、同声传译、智能辅助诊断等，为社会发展和人民生活水平的提升做出了重要贡献。随着人工智能技术的快速发展，其在临床疾病智能诊断及预测等方面发挥重要作用。

人工智能技术介绍

人工智能结合了信息学、生物学、逻辑学、控制论、仿生学等众多学科，以数据为基础、计算能力为支撑、数学算法为方法，在机器视觉、语音识别、自然语言理解等领域取得了重大成果［2-3］。人工智能从20世纪60年代以来，先后经历了两次发展浪潮，理论体系和技术方法不断完善。现阶段，人工智能算法按照任务类型主要分为：分类、回归、聚类、异常检测四种。分类任务是指建立函数判断输入数据所属的类别，类别可以是二分类也可以是多分类，该任务最为常见且应用最为广泛，如人脸识别、语音识别，手写识别、疾病预测等，分类算法主要有K-邻近算法、支持向量机、逻辑回归、贝叶斯网络、决策树、随机森林、神经网络等。回归任务被用来预测具体的数值，建立变量间的相关关系，与分类任务的区别在于输出结果为具体数值而非离散值，在现实生活中的应用有股票预测、商品房价格预测等；回归算法主要有线性回归、支持向量机回归、岭回归等。聚类任务是指将数据对象聚成多个类簇，在现实生活中的应用有客户群体区分等；聚类算法主要有K-均值算法、模糊聚类、层次聚类等。异常检测任务指对数据中存在的不正常或非典型的分体进行检测和标志，在现实生活中的应用有设备异常检测、非法用户检测等；算法主要有支持向量机、主元分析等。

人工智能技术在电生理诊断中的应用情况

电生理诊断实际上是图像信号的分析过程。人工智能技术在医疗领域有着广泛应用，其在电生理诊断中的应用，不仅有助于提高电生理医师的诊断效率及准确性，也能为相关疑难、危重疾病预测做出贡献。本文通过分析中国知网及Pubmed平台中的相关文献，就人工智能技术在电生理诊断中的应用情况进行综述。

一、脑电图

脑电图（electroencephalogram，EEG）是通过精密的电子仪器，将脑部随时间变化的生物电活动加以信号放大而获得的图形［4］。脑电图检查作为判断神经活动是否正常的重要手段，不仅在神经系统疾病的诊断方面有广泛应用，且应用于危重患者脑电监测、围生期异常的新生儿监测、癫痫手术治疗的术前定位、大脑术后监测、睡眠监测等方面。

传统的脑电图检查是通过医生直接观察脑电波进行相应的诊断，但是这种方法需要长时间的观察，消耗了医生的时间成本，且依赖医生的临床经验，借助人工智能技术能够快速有效地完成。目前人工智能技术在脑电图信号分类领域的研究较多，且以神经网络方法为主。如Acharya等［5］利用13层卷积神经网络，结合十倍交叉验证法，对正常人群、癫痫患者发作前及发作时的脑电图信息进行分类，精准度高达88.67%。Daoud等［6］使用深度卷积神经网络提取癫痫患者发作前及发作时的脑电图信号特征，使用双向长短神经网进行分类，精准度高达99.66%。Nayak等［7］利用三层前馈反向传播人工神经网络对癫痫发作的脑电图信号和非癫痫发作的脑电图信号进行分类，准确性较高。Stepanov［8］设计了连续小波变换方法获取EEG信号，并利用神经网络对输入信号进行分类，取得了不错的效果。Huan等［9］设计了一种双状态脑机接口，并利用六种不同算法对不同心理表现的受试者脑电信息进行特征提取，利用反向传播神经网络对特征进行分类，结果表明，使用最小二乘法与反向神经网络的分类效果最好，准确率达93.10%。除了神经网络方法外，也有研究者利用传统的机器学习方法对脑电图自动分类，如王灿强［10］通过算法对比研究脑电图眼睛状态的分类效果，结果表明在K-临近、引导聚集、随机森林和支持向量机四种算法中，K-临近和随机森林算法具有更高的预测准确度，其中随机森林模型的预测准确度达到了93%，而基于K-临近算法的模型预测精确度达到了97%。

二、肌电图

肌电图（electromyogram，EMG）是指用肌电仪或多导生理仪记录下来的肌肉生物电图形，用于评估肌肉活动。肌电图检查能够有效确定周围神经、神经元、神经肌肉接头及肌肉本身的功能状态，临床中多用于糖尿病患者的周围神经病变检查、运动型神经损伤检查、肌肉萎缩检查等。

利用人工智能技术，不仅可以辅助肌电图信号的智能诊断，并可以辅助评估肌肉力量和疲劳度、关节力度、面部表情等方面。周辉等［11］早在2002年便研制出诊断腰腿痛的人工智能专家系统，该系统采用国内多家医院肌电图专家的临床经验为知识基础，以人工智能技术中的启发式推理为方法，试验证明该系统对腰腿痛的诊断结果较为合理准确。乌萨马［12］针对现有的从肌电信号中提取肌肉活动特性以及计算肌力模型方法的复杂性问题，研究并提出了两种新的肌力评估模型，从而简化了评估肌力的方法，第一种模型采用神经网络理论，第二种模型则以模糊逻辑为基础。通过试验对比了两种模型的计算速度和稳定性，结果表明，模糊逻辑模型比神经网络模型更快、更稳定，但是结构比神经网络模型更复杂。Kim等［13］提出了一种利用EMG和人工神经网络模型估算人体多关节僵硬度的新方法，研究者开发的人工网络模型将EMG数据和关节运动数据与关节僵硬度相关联起来，能可靠地估计多关节僵硬度，而无需复杂的计算或专用设备。该方法通过试验和模拟结果证实了其可行性，为理解潜在的人体运动控制并开发灵巧机器人操纵的控制方法提供了理论和技术基础。Latha等［14］开发的面部肌电图模型可以与任何服务机器人连接，可以轻松识别人的六种情绪，即愤怒、厌恶、恐惧、快乐、中立和悲伤，从而可以更快地进行人机交互。研究者从20名受试者中获取面部肌电图信号，使用深度学习技术-卷积神经网络模型应用于特征提取信号，获得的最高分类精度为99.79%。

三、经颅多普勒

经颅多普勒（transcranial doppler，TCD）是用超声多普勒效应来检测颅内脑底主要动脉的血流动力学及血流生理参数的一项无创性的脑血管疾病检查方法，临床上多用于脑出血及脑梗死患者的康复检查及术中检查患者的脑血流情况。

目前国外用于TCD 数据分类研究的方法主要有支持向量机［15］和人工神经网络［16-20］等。在国内，部分研究者在以上算法的基础上进行了改进，如耿银凤等［21］应用蝙蝠算法（BA）优化极限学习机（ELM,一种单隐层前馈神经网络）模型进行脑卒中分类预测，研究者利用 BA对ELM参数中的输入权值矩阵和隐含层阈值矩阵进行了优化，并用 BA-ELM 模型对实验所用的 TCD数据集进行分类。实验结果表明BA-ELM 模型的分类准确率比单纯的ELM提高了22.77%，能有效进行脑卒中预测。王志远等［22］提出了一种新的模糊支持向量机分类算法，该算法首先对样本做预处理，为了解决医疗数据的不平衡性，引入了基于不同惩罚因子的方法，该算法以正负样本数目的比值作为平衡因子，用以调节数据集的平衡度，结果表明研究者提出的模糊支持向量机分类算法能够有效识别TCD医疗数据。

四、心电图

心电图（electrocardiogram，ECG）是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图形的技术，其主要用于检查和诊断心脏功能状态，心电图检查是临床最为常用的检查方法之一。早在20世纪90年代，就有很多研究者将人工智能技术应用于心电图智能诊断及信号分类和处理［23-26］。心电图信号的自动分类识别一直是心电信号自动诊断系统中的研究热点与难点，相关的研究也较多，从研究角度划分主要分为两种类型，一种是多种心电图信号的分类研究，分类方法主要为人工神经网络，如前馈神经网络、反向神经网络、卷积神经网络、径向基神经网络等［27-30］；另外一种是特定心脏疾病的智能诊断与预测研究。如王永祥［31］利用小波变换提取心电图信号，再使用机器学习中的神经网络、支持向量机和Adaboost算法进行分类，对Adaboost算法进行了优化，建立了心脏骤停预测模型，并验证了模型的有效性。唐小梅［32］及张春云［33］使用支持向量机对室颤心电图信号进行二分类研究，为室颤的预测提供了研究基础。

总 结

通过分析以上研究发现，人工智能技术应用在电生理诊断中主要是以人工神经网络技术为主，如卷积神经网络、反向神经网络、前馈神经网络等。人工神经网络在图像处理和识别领域发挥着重要作用。借助人工智能技术辅助电生理诊断，一方面需要计算机专业研究人员加强对人工神经网络技术的理论研究，解决神经网络内部黑盒的弊端，另一方面需要临床医生加强对人工智能学科的认识及对专业知识的学习，不断思考临床中的其他疾病，尤其是危急危重以及难以发现的疾病能否借助人工智能技术进行预测，如是否可以通过患者脑电图信号预测在一定时间段内发生蛛网膜下腔出血的概率及危险等级等。只有不断思考，才能更好地利用人工智能技术服务于临床诊断中，提升医疗服务水平。